AI+Web3：塔樓與廣場

要點

1. AI概念的Web3項目在一二級市場成爲吸金標的。

2. Web3在AI行業的機會主要體現在:利用分布式激勵協調長尾潛在供應(跨數據、存儲和計算);同時建立開源模型和AI Agent的去中心化市場。

3. AI在Web3行業主要應用於鏈上金融(加密支付、交易、數據分析)以及輔助開發。

4. AI+Web3的價值在於二者的互補:Web3有望應對AI集中化,AI有望幫助Web3突破圈層限制。

引言

近兩年,AI發展呈現加速態勢,ChatGPT引發的生成式AI熱潮不僅開啓了新世界,也在Web3領域掀起浪潮。

AI概念的加持下,加密市場融資明顯回暖。據統計,僅2024上半年就有64個Web3+AI項目完成融資,其中Zyber365在A輪獲得1億美元最高融資。

二級市場更爲活躍,Coingecko數據顯示,AI賽道總市值已達485億美元,24小時交易量近86億美元;主流AI技術進展帶來利好,如OpenAI發布Sora後,AI板塊平均漲幅151%;AI效應也波及加密貨幣熱門板塊Meme,首個AI Agent概念的MemeCoin—GOAT迅速走紅,估值達14億美元,引發AI Meme熱潮。

AI+Web3相關研究和話題持續升溫,從AI+Depin到AI Memecoin再到當前的AI Agent和AI DAO,新敘事層出不窮。

這個充滿熱錢、風口和未來想象的組合,難免被視爲資本推動的包辦婚姻,我們很難判斷是投機者的狂歡,還是黎明前的爆發。

關鍵在於,雙方是否能從對方模式中獲益?本文將探討Web3如何在AI技術各環節發揮作用,以及AI能爲Web3帶來哪些新機遇。

一、AI堆棧下Web3的機會

在探討這個話題前,我們需要了解AI大模型的技術堆棧:

通俗來說,"大模型"類似人類大腦,初期如嬰兒般需要觀察和吸收海量信息來理解世界,這是數據"收集"階段;由於計算機缺乏人類多感官,訓練前需將無標注信息通過"預處理"轉換爲計算機可理解格式。

輸入數據後AI通過"訓練"構建具理解和預測能力的模型,類似嬰兒逐步理解學習外界的過程,模型參數如嬰兒不斷調整的語言能力。當學習內容分科或與人交流獲得反饋修正時,進入"微調"環節。

孩童長大會說話後,能在新對話中理解並表達想法,類似AI大模型的"推理",能對新語言文本輸入進行預測分析。嬰兒用語言表達感受、描述物體和解決問題,類似AI大模型完成訓練後在推理階段應用於各類特定任務,如圖像分類、語音識別等。

AI Agent則更接近大模型的下一形態—能獨立執行任務追求復雜目標,具備思考、記憶、規劃能力,且能運用工具與世界互動。

針對AI各堆棧痛點,Web3目前初步形成了涵蓋AI模型流程各階段的多層次互聯生態系統。

1.基礎層:算力與數據的Airbnb

算力

AI的主要成本之一是訓練和推理模型所需的算力與能源。

例如,Meta的LLAMA3需要16000個NVIDIA H100GPU 30天才能完成訓練。80GB版本單價3-4萬美元,需4-7億美元硬件投資(GPU+網路芯片),每月訓練耗電16億千瓦時,能源支出近2000萬美元。

針對AI算力壓力,DePin(去中心化物理基礎設施網路)是Web3最早與AI交叉的領域。DePin Ninja已列出1400多個項目,GPU算力共享代表如io.net、Aethir、Akash、Render Network等。

主要邏輯是:平台允許閒置GPU資源者以無許可去中心化方式貢獻算力,通過類Uber/Airbnb買賣雙方在線市場,提高GPU利用率,用戶獲得低成本高效計算資源;同時質押機制確保違反質量控制或中斷網路將受懲罰。

特點:

• 聚集閒置GPU:供應主要來自中小數據中心、加密礦場等過剩算力、PoS挖礦硬件如FileCoin/ETH礦機。exolab等項目致力於利用MacBook、iPhone、iPad等本地設備建立運行大模型推理的算力網路。

• 面向AI算力長尾市場: 技術端更適合推理步驟。訓練依賴超大GPU集羣,推理對GPU要求較低,如Aethir專注低延遲渲染和AI推理。 需求端中小算力需求方不會單獨訓練大模型,主要圍繞頭部模型優化微調,適合分布式閒置算力。

• 去中心化所有權:區塊鏈技術確保資源所有者保留控制權,靈活調整並獲得收益。

數據

數據是AI的基礎。沒有數據,計算就毫無用處,數據質量決定模型輸出質量。對AI模型訓練,數據決定語言能力、理解能力、價值觀和人性化表現。目前AI數據需求困境主要有:

• 數據飢渴:AI模型訓練需海量數據。GPT-4參數量達萬億級。

• 數據質量:AI與各行業結合對數據時效性、多樣性、專業性、新興數據源如社交媒體情緒等提出新要求。

• 隱私合規:各國企業逐漸限制數據集爬取。

• 處理成本高:數據量大,處理復雜。AI公司30%以上研發成本用於數據採集處理。

Web3解決方案:

1.數據收集:免費抓取真實世界數據正在耗盡,AI公司數據支出逐年增加,但未反哺真正貢獻者。Web3願景是讓貢獻用戶參與價值創造,通過分布式網路激勵低成本獲取更私密有價值數據。

• Grass:去中心化數據層網路,用戶運行節點貢獻帶寬捕獲實時數據獲取代幣獎勵。

• Vana:引入數據流動性池(DLP)概念,用戶可上傳私人數據並選擇授權第三方使用。

• PublicAI:用戶在X上使用#AI或#Web3標籤並@PublicAI實現數據收集。

2.數據預處理:AI數據處理需清理轉換爲可用格式,涉及標準化、過濾、處理缺失值等重復任務。這一人工環節衍生出數據標注師行業,隨要求提高門檻提升,適合Web3去中心化激勵機制。

• Grass和OpenLayer考慮加入數據標注環節。

• Synesis提出"Train2earn"概念,強調數據質量,用戶提供標注數據獲獎勵。

• Sapien將標記任務遊戲化,用戶質押積分賺取更多積分。

3.數據隱私安全:數據隱私涉及敏感數據處理,數據安全保護信息免遭未授權訪問破壞盜竊。Web3隱私技術優勢體現在:(1)敏感數據訓練;(2)數據協作:多數據所有者共同參與AI訓練無需共享原始數據。

主要隱私技術:

• 可信執行環境(TEE),如Super Protocol。

• 完全同態加密(FHE),如BasedAI、Fhenix.io、Inco Network。

• 零知識技術(zk),如Reclaim Protocol使用zkTLS生成HTTPS流量零知識證明,安全導入外部網站數據。

目前處於早期,主要困境是計算成本高:

• EZKL需80分鍾生成1M-nanoGPT模型證明。

• zkML開銷比純計算高1000倍以上。

4.數據存儲:需鏈上存儲數據及生成的LLM。數據可用性(DA)是核心問題,以太坊danksharding升級前吞吐量0.08MB,而AI模型訓練推理通常需每秒50-100GB。

• 0g.AI是針對AI需求設計的中心化存儲解決方案,特點:高性能擴展性,通過分片和糾刪碼支持快速上傳下載大規模數據集,傳輸速度接近每秒5GB。

2.中間件:模型訓練與推理

開源模型去中心化市場

AI模型開源爭議持續。開源帶來集體創新是優勢,但無盈利模式下如何提高開發者動力?李彥宏曾斷言"開源模型會越來越落後"。

Web3提出去中心化開源模型市場可能性:對模型代幣化,團隊保留部分代幣,將部分未來收入流向代幣持有者。

• Bittensor建立開源模型P2P市場,由多個"子網"組成,資源提供者競爭滿足子網目標,各子網交互學習實現更強大智能。獎勵由社區投票分配,根據表現在子網中分配。

• ORA引入初始模型發行(IMO)概念,將AI模型代幣化,可通過去中心化網路購買、出售和開發AI模型。

• Sentient去中心化AGI平台,激勵合作構建復制擴展AI模型並獎勵貢獻者。

• Spectral Nova聚焦AI和ML模型創建應用。

可驗證推理

針對AI推理"黑盒"難題,標準Web3解決方案是多驗證者重復操作比較結果,但高端GPU短缺導致成本高昂。

更有希望的方案是對鏈下AI推理計算執行ZK證明,在鏈上驗證AI模型計算。需在鏈上加密證明鏈下計算正確完成(如數據集未篡改),同時確保數據保密。

主要優點:

• 可擴展性:ZK證明可快速確認大量鏈下計算。即使交易增加,單個ZK證明可驗證所有交易。

• 隱私保護:數據和AI模型詳情保密,同時各方可驗證未被破壞。

• 無需信任:無需依賴中心化方驗證計算。

• Web2集成:Web2本質是鏈下集成,可驗證推理可幫助將數據集和AI計算帶到鏈上,提高Web3採用率。

當前Web3可驗證推理技術:

• zkML:結合零知識證明和機器學習,確保數據模型隱私,允許可驗證計算無需透露底層屬性。Modulus Labs基於ZKML發布AI構建的ZK證明器,檢查AI提供商是否正確執行算法,目前客戶主要爲鏈上DApp。

• opML:利用樂觀匯總原則,通過驗證爭議發生時間提高ML計算可擴展性效率。只需驗證"驗證者"結果小部分,但設置高經濟成本懲罰提高作弊成本節省冗餘計算。

• TeeML:使用可信執行環境安全執行ML計算,保護數據模型免遭篡改未授權訪問。

3.應用層:AI Agent

AI發展重點從模型能力轉向AI Agent。OpenAI、Anthropic、微軟等紛紛開發AI Agent,試圖突破LLM技術平台期。

OpenAI定義AI Agent爲:以LLM爲大腦驅動,具自主理解感知、規劃、記憶和使用工具能力,能自動化執行復雜任務的系統。AI從被使用工具變成可使用工具主體,成爲理想智能助手。

Web3能爲Agent帶來:

去中心化

Web3去中心化特性使Agent系統更分散自治,通過PoS、DPoS等機制建立質押者委托者激勵懲罰機制,促進Agent系統民主化。GaiaNet、Theoriq、HajimeAI都有嘗試。

冷啓動

AI Agent開發迭代需大量資金,Web3可幫助潛力項目獲取早期融資冷啓動。

• Virtual Protocol推出AI Agent創建代幣發行平台fun.virtuals,用戶可一鍵部署AI Agent,實現代幣100%公平發行。

• Spectral提出支持發行鏈上AI Agent資產產品構想:通過IAO(Initial Agent Offering)發行代幣,AI Agent直接獲得投資資金,成爲DAO治理成員,爲投資者提供參與項目發展分享收益機會。

二、AI如何賦能Web3

AI對Web3項目影響顯著,通過優化鏈上操作(如智能合約執行、流動性優